本研究提出了TMCIR框架，解决组合图像检索中视觉与文本信息融合的偏差问题。通过意图感知的跨模态对齐和自适应标记融合，提升了特征检索的平衡性与准确性，实验结果表明其在捕捉用户意图方面优于现有方法。

本研究提出了LanSAGNN框架，旨在提升图神经网络在处理图结构和文本信息时的有效性，显著增强节点关系的交互捕捉能力，实验结果表明其具有较强的鲁棒性。

本研究提出了BiPVL-Seg框架，解决医学图像分割中忽视文本信息的问题。该框架通过视觉与语言的融合与对齐，显著提高了复杂多类别分割任务的精度，优于现有方法。

本研究提出了“时间序列中的文本（TaTS）”框架，旨在有效整合多模态时间序列中的文本信息。实验结果表明，TaTS在时间序列预测和插补任务中显著提升了性能。

本研究提出了MEANT模型和TempStock数据集，旨在处理跨时间和多模态数据。结果表明，MEANT模型的性能提升超过15%，且文本信息对时间相关任务的影响大于视觉信息。

本文探讨了多模态大型语言模型（VLMs）在视觉与文本信息对齐中的挑战，提出了一种创新的图像标记器，通过字节对编码将结构先验信息融入图像符号，从而显著提升模型的多模态理解能力和可扩展性。同时，研究揭示了视觉标记与文本标记的层次对应关系，推动了多模态系统的可解释性与可控性的发展。

本文提出了一种基于图卷积的模型，结合文本和视觉信息进行实体抽取。实验证明该模型在发票和简历数据集上的性能优于BiLSTM-CRF模型，能够通过少量标记数据和转移学习实现高效的信息提取，尤其在处理复杂文档时表现出色，显著提高了提取效率和准确性。

本文提出了一种半监督预训练方法，结合文本和语音信息，以检测自发行为标签并提升语音合成性能。研究开发了可控表达性语音合成模型FreeStyleTTS，支持从文本中检索风格。同时，提出了StyleTTS生成模型，利用自监督学习生成自然韵律的多样化语音，表现优于现有模型。整体目标是提升语音合成的表现和风格控制能力。

本研究提出了一种基于知识库的多模态对话模型，结合音频和文本信息，显著提高了文本相似性测量的准确性，并降低了错误率。同时，探索了无需触发短语的交互方式，提升了语音识别的准确性。

本文探讨了增强视觉模型理解复杂文本信息的能力，提出了使用Transformer和卷积神经网络进行文本与图像编码的新方法。这些方法在跨模态检索和多语言任务中表现优异，提升了视觉与文本的结合效果。

本文探讨了视觉信息与文本信息结合在图推理任务中的可行性，实验表明多模态大型语言模型（MLLMs）在处理视觉数学问题和复杂推理任务时优于单一模态。研究揭示了模型的优势与局限性，并提出了改进推理能力的策略。

本文使用聚类和机器学习算法来识别信用风险模型中的问题。作者通过分析645个标题和观察结果，使用嵌入式生成和预训练模型，并使用聚类方法将相似特征的发现分组，以更有效地识别和分类问题。结果证明聚类和机器学习可以有效分析验证报告中的文本信息，并提供了信用风险模型开发和验证中的洞见。

该论文研究了使用Siamese Sentence-BERT模型将文本信息构建为有用的嵌入表示，并成功匹配了跨语言和多语言的文本内容。结果显示该模型优于TF-IDF和BERT嵌入表示方法。

该研究提出了自动知识图谱增强（KGE）的新任务，以解决非英语语言中可用文本信息的数量和质量较少的问题。研究呈现了一种新的无监督方法M-NTA，结合了机器翻译、网络搜索和大型语言模型，以生成高质量的文本信息。研究还探讨了增加非英语文本信息对实体链接、知识图谱补全和问题回答的影响。此外，研究还介绍了WikiKGE-10，一个跨7个语系评估10种语言中KGE方法的基准。

本文介绍了使用聚类和机器学习算法来识别和分类信用风险模型中存在的问题。作者使用了嵌入式生成和四个预训练模型来分析645个标题和观察结果，并使用聚类方法将具有相似特征的发现进行分组。结果证明聚类和机器学习可以有效地分析验证报告中的文本信息，并提供了信用风险模型开发和验证中遇到问题的洞见。

本文使用聚类方法和机器学习算法识别和分类信用风险模型中的问题。作者通过分析645个标题和观察结果，使用嵌入式生成和四个预训练模型，并使用聚类方法将相似特征的发现分组。结果证明聚类和机器学习可以有效分析验证报告中的文本信息，并提供信用风险模型开发和验证中的洞见。